Pourquoi devenir une organisation tournée vers l'AI commence par les données, la gouvernance et un modèle opérationnel, et non par le fait d'être le premier
par Ramiz Bozai, Sailesh Kadam, Kriti Sen Sharma, Andrew Wallace-Jackson et Grace Crisp
Pour les dirigeants du secteur de la santé qui adoptent l'AI, le principal défi réside dans le bruit ambiant lorsqu'ils tentent de faire progresser une initiative. Entre une boîte de réception saturée de propositions de fournisseurs, les annonces des concurrents et les échéances stratégiques, savoir par où commencer est déjà un obstacle en soi.
Le déploiement réussi d'une stratégie AI n'a jamais consisté à être le premier. De nombreux adoptants de la première heure s'efforcent aujourd'hui de démêler une dette technique et des projets pilotes sans gouvernance qu'un démarrage plus réfléchi aurait permis d'éviter. La leçon à retenir n'est pas que l'AI ne fonctionne pas, mais qu'une stratégie AI sans fondations n'est pas viable. Devenir une organisation tournée vers l'AI consiste à bâtir les bonnes bases en matière de données, de gouvernance et de modèle opérationnel d'entreprise. Ces fondations sont bien plus accessibles que ne le pensent la plupart des dirigeants.
Une organisation de santé tournée vers l'AI est conçue pour permettre de créer, de faire confiance et de déployer l'AI à grande échelle. Être tourné vers l'AI ne signifie pas acheter plus d'outils ou lancer davantage de projets pilotes (proof-of-concepts) à rallonge. Globalement, cela implique de bâtir des bases solides de données et de gouvernance tout en concevant un modèle opérationnel d'entreprise qui libère le plein potentiel des données de l'entreprise. L'objectif n'est pas d'accumuler les outils, mais de créer une organisation où les bonnes personnes peuvent formuler et répondre à leurs propres questions.
À titre d'exemple concret, un gestionnaire de soins peut demander : « Pourquoi les taux de réadmission ont-ils grimpé en flèche dans une région le trimestre dernier ? » et obtenir une réponse fiable basée sur des données internes. À partir de là, il peut commencer à agir en quelques minutes. Dans ce scénario, un utilisateur final peut analyser des données cliniques, des données patients et des données au niveau du site de manière ad hoc, sans avoir à ouvrir un ticket ou à attendre des jours qu'un analyste lui fournisse la réponse. Les organisations qui y parviennent le mieux ont bâti leurs fondations sur une plateforme de données qui transforme les utilisateurs en contact avec les patients en analystes de données plutôt qu'en « détectives de données ».
La plupart des prestataires de soins ne sont pas freinés par un manque d'ambition. Les réseaux de santé ont plus d'idées d'applications AI qu'ils ne peuvent en financer, et les fournisseurs d'AI prêts à les développer ne manquent pas. Dans une enquête de l'HFMA menée en 2025 auprès de 233 réseaux de santé, 88 % ont déclaré utiliser déjà l'AI. Seuls 18 % disposaient d'une structure de gouvernance mature et d'une stratégie AI pleinement formalisée. Ce qui freine les progrès, c'est l'un de ces trois obstacles structurels.
Le premier obstacle réside dans la fragmentation des données. Les données cliniques se trouvent dans le dossier de santé électronique (EHR), les données opérationnelles dans un autre système, les données financières dans un troisième, tandis que la planification, la chaîne d'approvisionnement et l'expérience patient sont encore plus dispersées. Le problème profond n'est pas que les données soient éparpillées, mais que rien ne les unifie de manière fiable. Un même patient peut avoir un identifiant différent dans chaque système source, de sorte qu'avant de pouvoir analyser une réadmission, il faut passer par un flux de travail de réconciliation manuelle. Cela conduit à de nouveaux cas d'usage qui paient une taxe d'intégration double : une fois pour établir les connexions, et une autre pour les maintenir lorsqu'un système source change. Ce qui est finalement déployé ne couvre qu'une infime partie du parcours patient, du flux de travail ou des opérations.
Le deuxième obstacle est une gouvernance inadaptée. Dans certaines organisations, elle est si laxiste que personne ne fait confiance à ce qui est déployé. Un modèle produit une réponse, et un clinicien demandera légitimement : « Sur quelles données cela repose-t-il ? ». Dans d'autres, la gouvernance est si rigide que rien ne sort du bac à sable (sandbox), et chaque nouvelle demande devient une négociation (un long cycle d'approbation pour un modèle qui répond pourtant aux questions en quelques secondes). Ces deux approches échouent pour la même raison, car ce qui manque dans chaque cas, c'est la confiance : les bonnes personnes, disposant des bonnes données, au sein de garde-fous visibles par tous.
Le troisième obstacle est l'absence de modèle opérationnel : aucune méthode partagée pour définir les priorités, équiper les équipes ou passer d'un projet pilote à la production. Chaque effort devient un développement unique et aucun succès ne se réplique. Un modèle qui aide à la gestion des effectifs ou à l'admission aux urgences (ED) dans une unité fonctionne, puis s'avère incapable de passer à l'échelle car personne ne s'approprie le déploiement du pilote, et il n'existe pas de voie claire vers la production. Ce schéma se retrouve à l'échelle de tout le secteur : 83 % des dirigeants de la santé mènent des projets pilotes d'AI générative, mais moins de 10 % investissent dans l'infrastructure nécessaire pour les déployer à l'échelle de l'entreprise. Tous secteurs confondus, environ 88 % des pilotes d'AI n'atteignent jamais la production. Dans la même enquête de l'HFMA, plus d'un tiers des dirigeants de réseaux de santé ont déclaré manquer d'un processus pour hiérarchiser et déployer efficacement l'AI.
Si ces obstacles vous semblent familiers, c'est parce que chacun relève d'une responsabilité différente : les données fragmentées incombent au Chief Data Officer, la confiance au Chief Medical Officer, et le modèle opérationnel au CIO. Aucun d'entre eux n'est un problème d'AI en soi. La plupart des prestataires de soins ont un problème de fondations, et ces fondations peuvent être bâties sans vouloir tout révolutionner d'un coup.
Adopter l'AI tardivement n'est préjudiciable que si vous répétez les erreurs de ceux qui vous ont précédé. Évitez ces erreurs, et ce retard deviendra un avantage, car vous pourrez bâtir sur des bases solides plutôt que de devoir nettoyer des années de chaos accumulé. La démarche pragmatique consiste à observer les organisations qui se sont lancées en premier, à tirer les leçons de leurs difficultés et à démarrer.
Les outils ont également évolué. Les solutions modernes permettent désormais d'assurer la gouvernance sur plusieurs sources de données et de centraliser la gestion des authentifications et des autorisations grâce à des intégrations avec les fournisseurs d'identité existants. De plus, le modèle de gouvernance ne se limite pas aux modèles de données ; la gouvernance s'applique également à l'AI et garantit la sécurité et la fiabilité des requêtes en langage naturel et des interactions agentiques. Grâce à ces fondations, le même gestionnaire de soins qui s'interrogeait sur les pics de réadmission peut saisir sa question en langage naturel et obtenir une réponse fiable en quelques secondes, au lieu de soumettre un ticket et d'attendre des jours. Parallèlement, le CISO et le bureau de la sécurité IT peuvent être assurés que les utilisateurs humains et agentiques n'ont pas accès aux données qu'ils ne sont pas autorisés à voir.
C'est un véritable changement de paradigme. Il y a deux ans, obtenir une vue gouvernée des données cliniques et opérationnelles était un projet de tout un trimestre. Aujourd'hui, lorsqu'un périmètre est bien défini et que les bonnes données sont disponibles, une petite équipe peut mettre en production un premier cas d'usage gouverné en quelques jours plutôt qu'en plusieurs trimestres. Premier, par exemple, a configuré Databricks Genie pour la production en trois jours, offrant aux équipes de santé un accès en libre-service à des analyses gouvernées pour évaluer les soins et identifier les réadmissions évitables. Le moment idéal pour commencer n'est pas celui où tout est parfait. C'est celui où les outils sont assez matures pour construire quelque chose de concret sans un investissement initial massif. Ce moment est venu.
Les prestataires de soins ne deviennent pas tournés vers l'AI par hasard, et ils n'y parviennent pas simplement en ayant commencé les premiers. Ils y parviennent en bâtissant les bonnes fondations de données unifiées, une gouvernance digne de confiance et un modèle opérationnel reproductible. C'est bien plus réalisable que ne le pensent la plupart des dirigeants.
Le prochain article de cette série présentera un plan en trois piliers pour aider les réseaux de santé à progresser, accompagné d'une carte de maturité et d'une auto-évaluation que vous pourrez présenter lors de votre prochaine réunion de direction.
Vous ne savez pas où se situe votre organisation sur la carte de maturité ? Contactez-nous.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.